Site Rollout

Znajdowanie optymalnych lokalizacji stacji bazowych

z wykorzystaniem algorytmu Growing Neural Gas
I. Growing Neural Gas
Opis algorytmu
Cechy Growing Neural Gas
Sieć neuronowa
Nienadzorowane uczenie
Inspiracja zachowaniem gazu w pojemniku
Dynamiczna zmiana liczby cząsteczek
Algorytm iteracyjny
Przykład działania
Reprezentacja sieci w GNG
Wierzchołki
 Pozycja na mapie
 Parametr error
 Lista sąsiadów
Krawędzie
 Wierzchołki końcowe
 Parametr age
Krok algorytmu
1. Losowanie punktu p z mapy
 Rozkład ważony maksymalnymi odległościami dla
danego typu terenu
 Prawdopodobieństwo wylosowania punktu na terenie
T jest odwrotnie proporcjonalne do maksymalnej
odległości pomiędzy stacjami na T
Krok algorytmu
2. Znalezienie stacji s najbliższej do p oraz stacji t –
drugiej pod względem odległości od p
3. Powiększenie parametru error[s] o odległość z s do p

s
p
Krok algorytmu
4. Zmiana pozycji s – przyciągnięcie do p
5. Zmiana pozycji sąsiadów s – przyciągnięcie do p

s
p
Krok algorytmu
6. Zwiększenie wieku krawędzi pomiędzy s a jego
sąsiadami
7. Usunięcie przestarzałych krawędzi i izolowanych
wierzchołków
8. Wyzerowanie wieku krawędzi s-t
Krok algorytmu
9. Dodanie nowego wierzchołka u do sieci:
 Następuje co λ iteracji
 Znajdowany jest wierzchołek x o największej wartości
parametru error
 Znajdowany jest wierzchołek y – sąsiad x o największej
wartości error
 u jest wstawiany w połowie odległości pomiędzy x a y
 Wartości error wierzchołków x, y i u są odpowiednio
dopasowywane
Krok algorytmu
9. Zmniejszenie wartości error wszystkich
wierzchołków
II. Modyfikacje GNG
Przyspieszenie i dostosowanie do problemu Site Rollout
Dostosowanie do problemu
Ważony rozkład prawdopodobieństwa (wspomniany
wcześniej)
Normalizacja zmian parametru error
Mechanizm relokalizacji wierzchołków
Przyspieszenia
Mechanizm przyspieszonego wyszukiwania
najbliższego wierzchołka do zadanego punktu
Leniwe wyznaczanie parametru error (w momencie
użycia)